1213 電通国際情報サービス

Transcript

1. ISIDにおけるAI部門の位置づけと、 製造業を中心とした事例のご紹介 株式会社 電通国際情報サービス X（クロス）イノベーション本部 AIテクノロジー部⾧ 芝田 潤 TechPlay:進化するSIerの最前線!先端技術を活用した事例の紹介【AI編】
2. 1 本セッションの内容 1. ISIDのAI部門の位置づけについて 2. 画像診断や自然言語処理、時系列データ分析系を中心としたAIアルゴ リズム開発プロジェクト事例、AI人材育成支援事例 3. 今後のAI戦略
3. 2 自己紹介 電通国際情報サービス X(クロス)イノベーション本部 AIテクノロジー部⾧ 芝田 潤 得意分野 (1) ITを利用した新規事業の立ち上げ AI事業やクラウド事業など、新規テクノロジーを活用したビジネス創出。 ビジネスプラン策定と関連ITプロダクトの企画・開発・発掘、事業推進。 (2) ITコンサルティング IT活用ロードマップ策定(IoT/AI/BigData)、IT戦略立案等の上流コンサルティング業務。 個人能力 (1)新規ビジネスプラン策定と実行力 幅広い技術力と現場に足を運ぶ行動力に裏付けされた、ビジネスプラン策定と実行。 (2)技術力 T字型スキル （高い専門性と幅広いIT全般技術） 得意分野 AI、開発方法論、ITアーキテクチャ設計、データベース 業務知識 エンジニアリング知識(設計)、内部統制、金融(銀行業務一般) (3)コミュニケーション/プレゼンテーション力 IT最新技術や事業計画を、業界専門用語を用いず、平穏に説明。 (4)組織組成、パートナー発掘 キャリア採用活動、パートナー選定などを通し、組織の組成から人材育成まで幅広く対応。
4. 3 ISID AI部門のご紹介 先端IT技術を用いて顧客のデータを分析するアルゴリズムを開発し、顧客へ価値を提供するための全社横断組織 X(クロス)イノベーション本部 因果分析ビジネス推進部 因果分析ビジネス推進部 オープンイノベーションラボ オープンイノベーションラボ その他 その他 AIテクノロジー部 AIテクノロジー部 製造業向けAI活用を推進する、AI技術者集団 社会課題解決に向けたAI活用推進 ビッグデータ解析サービス「CALC」推進
5. 4 ISIDのAI事例（公開情報） この2年間で約100件のAI案件を遂行 https://www.isid.co.jp/case/?sub-iot https://www.isid.co.jp/news/release/2018/0523_2.html https://www.isid.co.jp/library/sp ecial/2018_tunafarm_1.html https://www.isid.co.jp/case/project/2019animalwelfare.html https://www.isid.co.jp/news/topics/2019/1008.html https://tuna-scope.com/en/
6. 5 最近のISIDが受注するAI案件の傾向 AI+IoT 1.生産現場のIoT化 • 人、モノの動線予測 • 生産設備の故障予知 • 品質不良、歩留まり改善 2.製品のIoT化 • 保守サービス向上 • 顧客利用状況の把握 • ものづくり→ことづくり • 自社製品の差別化 AI 1.設計、開発現場のノウハウAI化 • 良否判定や大量の技術文書など、匠の技のノ ウハウをAI化 2.近未来の予測 • 生産設備や製品の故障予測、NLP 3.今あるAI技術の活用 • 画像認識、機械学習 4.市場データの活用 ソーシャルや品質情報など、自社にない 外部データを活用
7. 6 ISID AIテクノロジー部サービス一覧 ① 画像AI:Computer Visionサービス ② CAD/CAE×AIサービス ③ AI図面チェックソリューション ④ 時系列データを利用した動作予測AIモデル構築サービス ⑤ 予兆検知サービス ⑥ エキスパートの判定をAI化 ⑦ 文書AI:NLP(自然言語処理) サービス ⑧ 生体データ利用:感性判定AIモデルサービス ⑨ AI化を加速:お客様最適型DataPreparation フレームワークサービス ⑩ AI人材育成/データ分析・モデリングノウハウ提供 ⑪ 強化学習コンサルティング ⑫ ユーザー主導型AIシステム構築・運用サービス ⑬ AIコンサルティング(個別の要件に対応) 【予測/判定/要因分析】 機械学習/モデル化 【目/画像/動画】 Computer Vision 【学習データ】 AIデータ準備支援 【文書/会話】自然言語 【トレーニング】AI人材育成 【制御】強化学習コンサルティング 【個別要件】コンサルティング 【AI運用】ユーザー主導型AI
8. 7 ISID AIプロジェクトの進め方 業務要件定義 技術PoC 3ヶ月1タームで2～3回 運用 （再学習） 現場 トライアル 既存業務にAIをどう組み込むのか、対 象業務フロー確認、投資対効果算出等 顧客からデータを数受領し、デー タプレパレーション、教師データ 作成 (アノテーション)を行った上 で、AIモデルを作成する。 ・運用フェーズにて読み取り誤りがあ る場合、アノテーションで再学習させ 精度を向上させる。 ・さらに認識対象物を増やしていく場 合も、アノテーション作業が必要。 ★業務に適用 現場でトライアルを行う。 新たなデータで検証を行い精度 確認を行う。誤りがある場合、 アノテーションで再学習を行う。 引き合い プリセールス 活動 サンプルデータ受領 技術難易度検証 提案書作成 ★案件受注 • 以下はAI受託案件における一般的な開発フロー。 • 顧客からAI化対象のデータ(数値データ、画像データ、文書等)を受領するのが前提。 • 画像認識系では、技術PoC、現場トライアル、運用フェーズでアノテーション作業を実施。
9. 8 ①画像AI:Computer Visionサービス • Deep Learningが最も得意とするのはコンピュータの”目”の獲得。この”目”の技術:Computer Visionで得た 情報を元に、コンピュータが判断し、業務に新しい価値を提供 # Computer Vision技術 でできること ビジネスへの適用 1 画像分類 （classification） その画像が何かを認識。人の良否判定、 物体判定が可能 2 画像検出（detection） その画像のどこに何があるのかを認識 3 画像セグメンテーショ ン(segmentation) その画像領域の意味を認識⇒物の個数を 把握。不具合、非正常部の部分検出 セグメ ンテー ション Instance Semantic 【事例:自動車】走行中の視線動画をAIで認識 • 旧来の仕組みでは動画データを利用可能な精度でデータ化することは出来なかった ⇒映像中の物体の認識により、物体位置把握、個体認識、統計量の計算を実施 • ある限られたエキスパートの方のみが可能である地層の分類をAIモデル化 • ご担当者ご退官のため、その方のノウハウを残す必要があった 【事例】エキスパートの地層判定代替AI 【事例】ドライバーの顔の向き判定AI • インカメラのドライバーの顔動画を元に、顔の 向き（ヨー、ロール、ピッチ）を正確な数値で 判定するAIを提供 その他事例 • 各種製品の外観検査 • 多種大量の部材認識 • 外観デザインの良否判定 • 特定製品のスケール測定 • 走行動画データ認識 等
10. 9 ②CAD/CAE×AIサービス • CADやCAEを使った業務にAI技術を適用。人間の判断をサポート 【事例】CADの干渉チェックAI化 干渉部分 部品 グループ 1 部品 グループ 2 部品名1部品名2 A_PPPPP... 3CZXXXXX ... RUBBER_8tank_01 PZXXXXX... PZXXXXXX ... BATTERY_ 1 X_STOPPE R ZX2XXXXX ... PPZXXXXX X... RUBBER_8DM_01 3CZXXXXX ... PPZXXXXX X HOSER_1 TANK_01 チェック 要 － － チェック 要 － 機械学習 によって人 の良否判 断をAI化 • 現状人が全て判定している干渉良否判定をAI化したい • 過去に人が入力した「チェック要」の結果を入力とし、機械 学習のアルゴリズムで、今まで人が実施していた干渉良否ノ ウハウをAI化 ▪干渉チェックリスト 【事例】CAE結果良否判定 • 現状人が判定しているCAE結果の良否判定をAI化したい • エキスパートの方は、コンター図のみを見て設計の良否 判定が可能。そのノウハウをAI化 後画像 下画像 上画像 左画像 正面画 像 右画像 複数の判定モデル
11. 10 ②CAD/CAE×AIサービス • 単に画像の良否を判定するだけではなく、動画を元にしたり、見た目で類似検索を実施したり 【事例】CAE動画による固有モード判定 【事例】CNN＆SimilaritySearchによる3D-CADの類似検索AI • 騒音・振動性能を良くするためには、車体やサスペンション の固有モード把握が重要 • AIによるモード判別により、目視時間の削減や、エキスパー トの代替/サポートが可能に • 通常設計を行う場合は、過去の図面を元に行う場合が多い。 人が行うように、自分が設計したい図面に近い図面を”N方向 の画像”から探すAIを開発。精度は販売されている製品を凌ぐ • 似たものを探せることで、紐尽く過去知見を得られる 特徴量抽出モデル 似た図面検索AI 一番似ている図面はこれです。 2番目はこれです。。。 固有モードか否か? 固有モードだと判断した 場合、どのようなモード か?（8種類）
12. 11 ③AI図面チェックソリューション • 図庫に保管された紙図面、PDMで管理されたCAD図、サプライヤーからの受け入れ図面など、様々な図面を TIFFなどの画像フォーマットにし、認識させたい記号やマーク、文字列を推論エンジンに学習させる。 • 学習させたモデルを利用し、定常的に発生する図面チェックをAIに任せることが可能となる。 ・AI認識結果ファイルと対象図面フォルダを選択する ・検出結果がViewingできる ・検出項目ごとに検出結果リストが表示される ・検出結果情報の選択で、同検出場所がセンタリン グ表示される ISIDで来期製品化を予定。
13. 12 ④時系列データを利用した動作予測AIモデル構築サービス:IoT×AI • 大手建機、農機、汎用機等の限られた製品ログ情報から動作 を予測するアルゴリズム開発 事例）ショベルカー主要部品の動作をAIモデル エンジン、消耗部品の故障予測 IoT ・盗難防止 ・リモートメンテナンス ・故障データ分析 ・予防保全 ・ダウンタイム削減 ・需要予測 ・ブランド力強化 ・製造業のサービス化 IoTプラットフォーム 分析 アプリ • 工場の各個々人の動きをカメラ映像から把握。 予定された作業との違いを検知。作業改善に 繋げる
14. 13 ⑤予兆検知AIモデル構築サービス • 「市場問題や社内課題の早期発見はできないか?」「これらがこうなると、こういう影響がでる傾向があ る!」という現場の勘と経験をAIモデル化 事例 データ 手法/結果 部品ごとの部品出荷数と不具合対応数の時系列における関係性に着 目。部品の不具合を早期に発見し、不具合対策にかかるコスト削減 と品質保証底上げを図る 部品の出庫数 品質に関する問合せ情報 トレンド変化自動取得アル ゴリズムを作成 不具合発生と判定 正常と判定
15. 14 ⑥エキスパートの判定をAI化して分析 車の乗り心地指標の官能評価・要因分析 新たな手法（データサイエンス/AIアプローチ） 官能評価者判定結果 ・車両データ ・諸元 ・車両挙動指標 AI 官能評価点と 相関が強い 指標一覧 ①人の官能を正解とし 官能に相関する組合せ指標の発見 官能評価点 予測 ②官能評価予測値を算出 3点 5点 官能評価者 の判定 ②官能評価者の判断をAI化(サポート) AIモデル 設計 システム コンポ メカニズムから 仮説設定し 実験、分析を実施 これまでの手法（物理学・エンジニアリングアプローチ） ①官能に相関する組合せ指標の発見 官能評価点 が高い場合 官能評価点が 低い場合 Xエネルギー 10.8-12.6 ▪▪▪▪ YYY四分位点 0.05-0.06 ▪▪▪▪ ZZZレート -0.28- -0.11 ▪▪ Aエネルギー 40.8-92.6 ▪▪▪▪▪ Bエネルギー 0.35-0.36 ▪▪▪ ZZZレート -0.68- -0.81 ▪ AI
16. 15 ⑥製造工程情報による故障要因分析 出 荷 製 品 製造過程のデータ（数千項目） × 112 × 306 × 400 出荷後の 故障情報 故障要因を軸に クラスタ分析 故障の 要因分析 AIモデル構築 AIモデルによるシミュレーション 目的 データ 手法／結果 製造工程の情報から、将来発生する故障の要 因を分析し、改善に結びつけたい。 出荷前に予測器で判断し、将来故障しそうな 機器の出荷を予測したい。 製造過程で取得された数千 というIoT情報と、故障した 結果を結びつけたデータ クラスタ分析を用いて、故障の要因を抽出。 ⇒製造工程の改善に貢献 クラス分類で、要因が分かる高精度の予測モデルを生成 ⇒自動検品
17. 16 ⑦文書AI:NLP(自然言語処理)サービス • 大量の文書データを、人が正確に全体を把握できるようにするAIシステムの実現 • エキスパートの判断を代替する分類AI、文書要約AI、類似検索AI機能を持つ • ISIDで来期製品化を予定。 品質保証部門 新製品開発 ・企画部門 社内に蓄積している、品質や不具合に関するテキストデータを活用したい。過去に似た現象があったのか、過去 の文章データの中から探し出し、似たものがあれば原因や対策内容について知りたい。キーワード検索では似た 現象をうまく見つけられないので、文章を入れてそのまま意味的な類似検索ができないか 過去の不具合レポート文章をもっと活かせないか 顧客の不満やニーズを調査に時間をかけずもっと早く知れないか 顧客の不満やニーズを知るために顧客満足度調査の文章回答欄を人が読んで、不満やニーズの種類で人が分類し て、機種ごとにどのような不満やニーズがあるかを調べているがそのために膨大な時間がかかっている。過去の 分類結果を用いて分類作業を人と同じ分け方で自動化できないか ご相談例
18. 17 ⑦文書AI:NLP(自然言語処理)サービス 類似度1位 類似度2位 類似度3位 始動不能 エンスト Ｓ／Ｗ類操作不能 before after 人が文章を読んで意味を理解し、数 百ある分類項目の中から該当文書を 手作業で分類、整理 AIが分類した候補を 人が確認 過去の分類結果データを学んだ AIが文章を自動で分類 人が一文一文読んで理解し 分類する必要があり どうしても多くの時間を要する 朝一エンジン始動 を試みると 突如セルが回らず 始動できなくなった との事で… 分類した結果を集計し 市場不具合の傾向変化を可視化 →不具合の早期発見につなげる 人が一文一文読んで理解し 分類する手間を削減・迅速化 朝一エンジン始動 を試みると 突如セルが回らず 始動できなくなった との事で… 【事例:製造業】品質文書の自動分類、類似検索 顧客・販売店からの問い合わせ・クレーム文書
19. 18 ⑧データ取得から支援:感性判定AIモデルサービス 生体データを分析し、利用者の感性を判定するモデルを開発 【事例】ドライバーの感性検知 脳波（脳波） • 覚醒度、リラックス度、快適性 自律神経指標（心拍、呼吸、脈波） • 一過性ストレス、活性度、情動 • 驚き、ヒヤリハット、緊張・興奮 視覚系指標（アイ・トラッキング） • 覚醒度 • 注意・興味（滞留時間）、情報処理負担 • 眼の疲労 骨格系指標（筋電） • 感情（覚醒系指標）、筋負担、疲労 生体情報とは? ある車両で走行中にドライバーが感じた事(コメント/感性) と、車両走行データやルート情報と紐付ける事により、走 る楽しさを可視化する 【事例】働き方改革 どういう環境が、より働きやすく、作業効率を上げるのか? 「PC操作における使いやすさ」を向上させ、作業の効率化・高度化に繋げる。
20. 19 ⑨AI化を加速:お客様最適型DataPreparationフレームワークサービス • AI/データ分析において、全体作業の8割がDataPreparationに費やされ、予測精度の8割は準備されるデータに依存 • AI/データ分析に対するDataPreparationを、今までの何倍～何十倍(固有処理)もの速度、品質で行うことができれば、ダイレ クトにデータを活用する企業の競争力強化、他社との差別化に繋がる • ”理論”と”実行”を加味した顧客企業最適なDataPreparationフレームワークサービスを提供 Open Platform DistributionベースのDataPreparationプラットフォーム (テラバイト級BigDataにも対応) 優良なオープンテクノロジーを選定したソフトウェア基盤 ISID AI/データマイニングKnowledgeを元にしたガイドライン ISID Knowledgeを元にしたアーキテクチャ設計、ライブラリ開発 お客様固有の”目的”、”データ”に適応したライブラリ開発 AI DataAnalytics 環境ができる 知識を得る 数倍の効率化と品質向上 数十～百倍の効率化、定型化 テラバイト級BigDataにも対応 するDataPreparationプラット フォームも提供可能 お客様自身で推進可能に
21. 20 ⑩AI人材育成/データ分析・モデリングノウハウ提供 【UseCase1】単に理論がわかるAI人 材ではなく、実業務の課題解決や新 サービス創出などの実現に貢献できる AI人材を、自社で育成していきたい 【UseCase2】管理職のITリテラシー の向上を図り、部下からのIT技術を絡 めた新企画の提案について、その内容 の良否を判断でき、適切なアドバイス ができるようになるマネージャを育成 していきたい • ISIDのAI・IoT・データ活用の知見をお客様に提供することで、”自社のAI人材育成”を支援 • 他社のように、決められたコンテンツを提供するのではなく、お客様の状況、ご要望に合わせたご支援を遂行 【UseCase3】1つの組織としてAIを 有効活用していく目標を立てたが、ど こからどのように進めて行けば良い か?
22. 21 ⑪強化学習コンサルティング • 強化学習とは、目標達成に向けて、制御ルールを自動構築させる 方法。 • 時間変化を伴うシステムの制御則構築に向いており、今まで専門 の方が実施してきた、最適化のための微妙な制御調整を、強化学 習でモデル化することが可能。 • 強化学習で、機械制御を最適化していくためのコンサルティング を実施 環境 エージェント 行動 状態・報酬
23. 22 ⑫ユーザー主導型AIシステム構築・運用サービス • 良いAI/機械学習モデルができました。その良いモデルをビジネスに継続的に活かしていくには? • ユーザーが自らAIモデルを構築し、AIを使うシステムと連携し、運用するための環境を、包括的 に提供 • 来年製品を出荷予定
24. 23 ⑬AIコンサルティング(個別の要件に対応) • 顧客の業務課題やデータの性質に対して、サポートベクターマシンやディープラーニングなどの機械学習アルゴリズムや 統計的手法を駆使して課題解決を行う • 定数適合や波形予測分析など、各クライアントの個別要件に対するコンサルティングサービス 【事例】鉄スクラップ価格判定 【事例:製造業】鋳造品不良の因果関係予測 • 鉄スクラップ内の、金属割合、重さを推定 • 販売価格を決定するエキスパートの判定をAI化 (5%精度で割合を判定。分類数は約2000通りにも） • 鋳造品における「不良品」を減少させるために、「不良品」を 生成してしまう要因を抽出したい • 「良品」「不良品」との関係性と、センサー情報が上手く関連 付くような特徴値の抽出を、顧客のドメイン知識を参考にしな がら、センサー情報を変換することで実施 良品 不良品 部品生成に関するセンサー情報 生成 要因 分析 機械学習 ⇒ X1 X2 X3 X4 重 さ 30 % 40 % 20 % 10 % Xt 価格判定 AIモデル
25. 24 ISID AIサービス差別化のポイント • AIプロジェクトにおける上流工程から下流工程まで一気通貫でサポート • お客様の要件に応じたAI手法の採用 – 説明性を重視するか、予測精度を重視するか – 教師あり学習か教師無し学習か • お客様のAI活用支援 – ISIDが開発したアルゴリズムの技術移転 – データサイエンティスト、AI技術者育成支援 – AIプラットフォーム構築支援 • AI以外の知見を持ったグループ会社・パートナーとの協業 – 因果分析…ソニーCSLの因果分析ツールCALCをご提供 – 故障予測…予防保全の米データサイエンティスト集団Predictronicsのコンサルティング – データ取得支援…PHM Technology社 最適センサー設計シミュレーション – 工場のIoT化…FAプロダクツ 製造現場における省力化・効率化用IoTシステムの現場導入支援
26. 25 CALCとは ソニーグループで開発、実証を重ねたアルゴリズムで、ビッグデータから因果関係を推測する独自の AIツール 予測・分類・識別 ⇒理由が分からない 因果・制御・介入 ⇒理由が分かる 分 析 精 度 従来の分析技術 相関の強さ 大量の計算によって 高い精度を実現 高度な技術は不要だが 精度が劣る 因果のつながり CALC 要因の分類 パターン認識 (ディープラーニング等) パターン認識 (ディープラーニング等) → ← ディープラーニングは予測できるが、ブラックボックスで理由が分からない CALCは原因が分かるので、それを制御して結果を改善できる 意思決定のための 因果分析AI 品質35% 改善 品質35% 改善 誤報3%強 改善 誤報3%強 改善 電力数百万 低減/年 電力数百万 低減/年 ソフト修正で 売上UP ソフト修正で 売上UP 離職率 低下 離職率 低下 社員満足度 向上 社員満足度 向上 課金ユー ザー数増加 課金ユー ザー数増加 CALCはビックデータから、具体的な施策を導出
27. ユーザー企業自らの AIビジネス利用を包括的に支援 26 ISIDはユーザー企業自らがAIを開発/運用しビジネス価値に繋げる支援を行います with Cloud AIターゲット 決定 運用／ ビジネス化 データ 準備 データ 準備 コーディ ングン コーディ ングン 学習/評価 学習/評価 AIモデル 生成 AIモデル 生成 AIモデル 管理 AIモデル 管理 AIシステム 開発・運用 AIシステム 開発・運用 AIプロセス AIプロセス AIモデル開発/データ分析 アセスメント／ 戦略支援コンサル ティング アセスメント／ 戦略支援コンサル ティング AIコンサルティング／ アジャイル型プロジェクトマネジメント AIコンサルティング／ アジャイル型プロジェクトマネジメント システム運用支援／ 顧客内横展開／ 事業化支援 システム運用支援／ 顧客内横展開／ 事業化支援 AIモデル開発 ／PoC(Proof of Concept) AIモデル開発 ／PoC(Proof of Concept) AIモデル改善／学 習データマネジメ ント AIモデル改善／学 習データマネジメ ント AIシステム開 発／運用設計 AIシステム開 発／運用設計 AI人材育成・ 要件定義 支援 AI人材育成・ 要件定義 支援 AI運用プラット フォーム(MLOps) AI運用プラット フォーム(MLOps) 運用 運用 ComputerVision 自然言語/文書 IoT/時系列Data 企画・ 検討 企画・ 検討 • 不確実性の高い AI を本気で活用するためには、ユーザ自らが納得するまで推進することが重要です • ISIDは、お客様ご自身が AI システムを構築・運用することを支援いたします
28. 27 ISID AIに関する今後の戦略 先端AI人材育成 先進的AI技術・製品・ 開発 先進的AI事例 への取り組み &ビジネス化 顧客・自社製品 AI課題への対応 AI人材高度化・ AIケイパビリティ向上施策 AI人材すそ野拡大・ AIケイパビリティ拡大施策 • アカデミア・学会との連携 • AIベンチャーソーシングネットワーク構築 • 顧客課題への最新AIコンサルティング対応 • 顧客課題/市場動向からの 独自製品開発→マーケットローンチ • AI活用による自社製品の高度化 現在の ビジネス 個別のAI受託開発だけではなく、AI製品の開発、提供を通して、社会課題の解決に 貢献します
29. 28 ご清聴頂き、有り難うございました。 本講演に関わるお問い合わせは shibata.jun@isid.co.jp まで お気軽にどうぞ。